题目：高光谱图像解混和目标检测的谱带聚类与决策融合

高光谱遥感传感器同时在数十个或数百个相邻窄谱带上收集图像数据，这些谱带的覆盖范围从近紫外到远红外，分辨率达到几个纳米。高光谱系统由于具有高的谱分辨率，会产生大量的图像立方块数据。但是，由于这些谱带高度相关，很多信息是冗余的。为进行数据压缩以减少计算量，在图像分析过程中我们需要在保证图像性能的基础上降低数据集的维数。本文给出了降低高光谱图像数据维数的几种不同谱带聚类和选择方法。这些方法基于带图像的不同性质进行谱带聚类。对于聚类，应用了等级聚类技术对谱带进行分组，使得组内的聚类方差达到最小，组间的聚类方差达到最大。对于谱带选择，需要选择多少谱带才能保证必要信息不丢失同样是一个问题。引入了一个新的概念――即虚维概念来估计为保留最大信息量所需谱带的最小数目。为评价本文所提出的方法，对谱带选择后的数据进行了分析以完成解混并进行端元（目标）检测。进行了较多研究以评价上述方法。使用了顶元分析法（VCA）对高光谱图像进行解混。本文所提方法通过测量带图像的平均误差(MAD) 对谱带进行聚类。谱带聚类依靠相似性的估量，估量标准有三种，分别为市区街道距离，欧几里德距离和余弦距离。对于等级结构，考虑了三种连接方法，分别是最近相邻（也称为单连接），平均连接和Ward连接。对每一种估量标准，都使用了三种连接方法进行聚类。上述方法属于无监管的，与有监管的谱带选择方法不同，后者应用于需要保留目标一些特定信息的场合。对谱带聚类后，我们需要一个准则从每个聚类中对谱带进行选择。针对此点，我们选择具有最大平均误差值的谱带。不可预测的大气影响会使高光谱图像数据变得不可靠。不可靠的概念与信息的概念有着紧密的联系。将带图像用一随机向量表示，我们可以得到信息估量值，此值可以定量描述一个谱带预测另一谱带的能力大小。利用信息的理论谱估量值，同样可得到图像数据的谱信息散度(SID)和目标的谱特性来减少数据的冗余度和去除图像带之间的无用信息。谱带通过数据的谱信息散度和目标的谱特性进行聚类。对于谱带聚类，使用两种连接方法来创建分层结构，分别是最近相邻和平均连接法。从每个聚类中我们选择具有最大谱信息散度的谱带。基于标准偏差(STD)和正交投影散度(OPD)，提出了一种谱带聚类和选择算法。计算了高光谱图像数据的标准偏差。分析了高光谱图像数据以进行多目标检测。估量了所需目标谱特性的正交投影散度。利用标准偏差对带图像进行聚类时，针对等级结构考虑了三种连接方法，分别为最近相邻、平均连接和Ward连接。使用正交投影散度进行带聚类时，针对等级结构只使用了最近相邻。通过标准偏差法所形成的每一个聚类中，我们选择具有最大谱信息散度的谱带。类似地，通过正交投影散度法所形成的每一个聚类中，我们选择具有最小正交投影散度的的谱带。介绍了一种基于谱识别熵(SDE)和谱角映射(SAM)的决策融合新方法。材料在相同的谱带上没有最大识别概率。因此，对于多个目标情形，单个谱带聚类和选择方法是无效的。为了克服上述问题，使用了多种谱段选择方法进行谱段聚类和选择，对于其中每一种技术，使用了相同的方法进行端元提取。